--- comments: true description: Ultralytics 官方YOLOv8文档。学习如何训练、验证、预测并以各种格式导出模型。包括详尽的性能统计。 keywords: YOLOv8, Ultralytics, 目标检测, 预训练模型, 训练, 验证, 预测, 导出模型, COCO, ImageNet, PyTorch, ONNX, CoreML --- # 目标检测 目标检测示例 目标检测是一项任务，涉及辨识图像或视频流中物体的位置和类别。 目标检测器的输出是一组围绕图像中物体的边界框，以及每个框的类别标签和置信度得分。当您需要识别场景中的感兴趣对象，但不需要准确了解物体的位置或其确切形状时，目标检测是一个很好的选择。



观看：使用预训练的Ultralytics YOLOv8模型进行目标检测。

!!! Tip "提示" YOLOv8 Detect 模型是默认的 YOLOv8 模型，即 `yolov8n.pt` ，并在 [COCO](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml) 数据集上进行了预训练。 ## [模型](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/cfg/models/v8) 此处展示了预训练的YOLOv8 Detect模型。Detect、Segment和Pose模型在 [COCO](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml) 数据集上预训练，而Classify模型在 [ImageNet](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/ImageNet.yaml) 数据集上预训练。 [模型](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/cfg/models) 会在首次使用时自动从Ultralytics的最新 [发布](https://github.com/ultralytics/assets/releases) 中下载。 | 模型 | 尺寸
(像素) | mAPval
50-95 | 速度
CPU ONNX
(毫秒) | 速度
A100 TensorRT
(毫秒) | 参数
(M) | FLOPs
(B) | |--------------------------------------------------------------------------------------|-----------------|----------------------|-----------------------------|----------------------------------|----------------|-------------------| | [YOLOv8n](https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt) | 640 | 37.3 | 80.4 | 0.99 | 3.2 | 8.7 | | [YOLOv8s](https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8s.pt) | 640 | 44.9 | 128.4 | 1.20 | 11.2 | 28.6 | | [YOLOv8m](https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8m.pt) | 640 | 50.2 | 234.7 | 1.83 | 25.9 | 78.9 | | [YOLOv8l](https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8l.pt) | 640 | 52.9 | 375.2 | 2.39 | 43.7 | 165.2 | | [YOLOv8x](https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8x.pt) | 640 | 53.9 | 479.1 | 3.53 | 68.2 | 257.8 | - **mAPval** 值适用于 [COCO val2017](http://cocodataset.org) 数据集上的单模型单尺度。
通过 `yolo val detect data=coco.yaml device=0` 复现。 - **速度** 是在使用 [Amazon EC2 P4d](https://aws.amazon.com/ec2/instance-types/p4/) 云实例对COCO val图像的平均值。
通过 `yolo val detect data=coco128.yaml batch=1 device=0|cpu` 复现。 ## 训练 在COCO128数据集上使用图像尺寸640将YOLOv8n训练100个epochs。要查看可用参数的完整列表，请参阅 [配置](/../usage/cfg.md) 页面。 !!! Example "示例" === "Python" ```python from ultralytics import YOLO # 加载模型 model = YOLO('yolov8n.yaml') # 从YAML构建新模型 model = YOLO('yolov8n.pt') # 加载预训练模型（推荐用于训练） model = YOLO('yolov8n.yaml').load('yolov8n.pt') # 从YAML构建并转移权重 # 训练模型 results = model.train(data='coco128.yaml', epochs=100, imgsz=640) ``` === "CLI" ```bash # 从YAML构建新模型并从头开始训练 yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640 # 从预训练的*.pt模型开始训练 yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640 # 从YAML构建新模型，传递预训练权重并开始训练 yolo detect train data=coco128.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640 ``` ### 数据集格式 YOLO检测数据集格式可以在 [数据集指南](/../datasets/detect/index.md) 中详细找到。要将您现有的数据集从其他格式（如COCO等）转换为YOLO格式，请使用Ultralytics的 [JSON2YOLO](https://github.com/ultralytics/JSON2YOLO) 工具。 ## 验证 在COCO128数据集上验证训练好的YOLOv8n模型准确性。无需传递参数，`model` 作为模型属性保留其训练的 `data` 和参数。 !!! Example "示例" === "Python" ```python from ultralytics import YOLO # 加载模型 model = YOLO('yolov8n.pt') # 加载官方模型 model = YOLO('path/to/best.pt') # 加载自定义模型 # 验证模型 metrics = model.val() # 无需参数，数据集和设置通过模型属性记住 metrics.box.map # map50-95 metrics.box.map50 # map50 metrics.box.map75 # map75 metrics.box.maps # 包含每个类别map50-95的列表 ``` === "CLI" ```bash yolo detect val model=yolov8n.pt # 验证官方模型 yolo detect val model=path/to/best.pt # 验证自定义模型 ``` ## 预测 使用训练好的YOLOv8n模型在图像上进行预测。 !!! Example "示例" === "Python" ```python from ultralytics import YOLO # 加载模型 model = YOLO('yolov8n.pt') # 加载官方模型 model = YOLO('path/to/best.pt') # 加载自定义模型 # 使用模型进行预测 results = model('https://ultralytics.com/images/bus.jpg') # 对图像进行预测 ``` === "CLI" ```bash yolo detect predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg' # 使用官方模型进行预测 yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg' # 使用自定义模型进行预测 ``` 完整的 `predict` 模式细节请见 [预测](https://docs.ultralytics.com/modes/predict/) 页面。 ## 导出 将YOLOv8n模型导出为ONNX、CoreML等不同格式。 !!! Example "示例" === "Python" ```python from ultralytics import YOLO # 加载模型 model = YOLO('yolov8n.pt') # 加载官方模型 model = YOLO('path/to/best.pt') # 加载自定义训练模型 # 导出模型 model.export(format='onnx') ``` === "CLI" ```bash yolo export model=yolov8n.pt format=onnx # 导出官方模型 yolo export model=path/to/best.pt format=onnx # 导出自定义训练模型 ``` 下表中提供了可用的YOLOv8导出格式。您可以直接在导出的模型上进行预测或验证，即 `yolo predict model=yolov8n.onnx`。导出完成后，会为您的模型显示使用示例。 | 格式 | `format` 参数 | 模型 | 元数据 | 参数 | |--------------------------------------------------------------------|---------------|---------------------------|-----|-------------------------------------------------| | [PyTorch](https://pytorch.org/) | - | `yolov8n.pt` | ✅ | - | | [TorchScript](https://pytorch.org/docs/stable/jit.html) | `torchscript` | `yolov8n.torchscript` | ✅ | `imgsz`，`optimize` | | [ONNX](https://onnx.ai/) | `onnx` | `yolov8n.onnx` | ✅ | `imgsz`，`half`，`dynamic`，`simplify`，`opset` | | [OpenVINO](https://docs.openvino.ai/latest/index.html) | `openvino` | `yolov8n_openvino_model/` | ✅ | `imgsz`，`half` | | [TensorRT](https://developer.nvidia.com/tensorrt) | `engine` | `yolov8n.engine` | ✅ | `imgsz`，`half`，`dynamic`，`simplify`，`workspace` | | [CoreML](https://github.com/apple/coremltools) | `coreml` | `yolov8n.mlpackage` | ✅ | `imgsz`，`half`，`int8`，`nms` | | [TF SavedModel](https://www.tensorflow.org/guide/saved_model) | `saved_model` | `yolov8n_saved_model/` | ✅ | `imgsz`，`keras` | | [TF GraphDef](https://www.tensorflow.org/api_docs/python/tf/Graph) | `pb` | `yolov8n.pb` | ❌ | `imgsz` | | [TF Lite](https://www.tensorflow.org/lite) | `tflite` | `yolov8n.tflite` | ✅ | `imgsz`，`half`，`int8` | | [TF Edge TPU](https://coral.ai/docs/edgetpu/models-intro/) | `edgetpu` | `yolov8n_edgetpu.tflite` | ✅ | `imgsz` | | [TF.js](https://www.tensorflow.org/js) | `tfjs` | `yolov8n_web_model/` | ✅ | `imgsz` | | [PaddlePaddle](https://github.com/PaddlePaddle) | `paddle` | `yolov8n_paddle_model/` | ✅ | `imgsz` | | [ncnn](https://github.com/Tencent/ncnn) | `ncnn` | `yolov8n_ncnn_model/` | ✅ | `imgsz`，`half` | 完整的 `export` 详情请见 [导出](https://docs.ultralytics.com/modes/export/) 页面。